Estudiante avanzada de Ciencia de Datos en Organizaciones (UNLP) · Buscando mi primer rol en datos · Híbrido en La Plata o remoto
Qué puedo aportar:
- SQL y modelado de datos: consultas con CTEs y funciones de ventana, modelos en estrella en PostgreSQL.
- Dashboards para decidir: Power BI con DAX y Excel (fórmulas, tablas dinámicas), con conclusiones claras y no solo gráficos.
- Modelos predictivos bien validados: Python, Scikit-Learn y XGBoost, evaluados como se usan en la realidad y sin métricas infladas.
- IA aplicada a procesos: agentes con RAG sobre la API de Gemini y automatizaciones en Make.
- Visión de negocio: 5 años en operaciones (caja, inventarios y proveedores) antes de dedicarme a los datos.
SQL PostgreSQL Python Pandas Power BI DAX Excel Scikit-Learn XGBoost Statsmodels PyTorch Plotly Streamlit Make RAG Gemini API Git
PostgreSQL SQL Power BI Excel
El subte perdió el 45% de sus pasajeros en dos años tras el aumento de tarifa de 2024. Modelé 3,2 millones de registros en un esquema estrella, respondí 7 preguntas de negocio en SQL, armé un dashboard en Power BI y una versión en Excel, y cerré con recomendaciones concretas. |
Python Scikit-Learn FastAPI Docker
Modelo de producción a 12 meses desplegado como API, con demo en vivo. La validación temporal muestra el rendimiento real: una partición aleatoria duplica el R² aparente (0,52 contra 0,26). |
Statsmodels XGBoost PyTorch
Con pacientes que el modelo nunca vio, el R² cae de 0,91 a −0,64: la partición aleatoria hacía que "memorizara" pacientes. Validé por paciente y mostré que conocer la línea de base reduce el error un 62%. |
RAG Gemini API Make
Tres agentes que reemplazan tareas manuales: responden consultas de soporte con una base de conocimiento y derivan el resto a una persona, arman propuestas comerciales validando presupuesto y plazos, y generan un panel de noticias del mercado. |
Otros: 🍏 Data Bite, propuesta de producto de datos para el concurso Molinos Innova: asistente que arma planes de comida semanales personalizados.